論文の概要: OSS Mentor A framework for improving developers contributions via deep
reinforcement learning
- arxiv url: http://arxiv.org/abs/2210.13990v1
- Date: Mon, 24 Oct 2022 14:26:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 15:33:31.268235
- Title: OSS Mentor A framework for improving developers contributions via deep
reinforcement learning
- Title(参考訳): OSS Mentor - ディープ強化学習による開発者のコントリビューション向上のためのフレームワーク
- Authors: Jiakuan Fan and Haoyue Wang and Wei Wang and Ming Gao and Shengyu Zhao
- Abstract要約: 我々はオープンソースソフトウェア(OSS)メンターという深層強化学習フレームワークを紹介する。
OSS Mentorは経験的な知識からトレーニングして,開発者のコントリビューション向上を支援することができる。
提示されたフレームワークが、オープンソースソフトウェアを管理するための深層強化学習テクニックを探求するのは、これが初めてである。
- 参考スコア(独自算出の注目度): 14.828595288939749
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In open source project governance, there has been a lot of concern about how
to measure developers' contributions. However, extremely sparse work has
focused on enabling developers to improve their contributions, while it is
significant and valuable. In this paper, we introduce a deep reinforcement
learning framework named Open Source Software(OSS) Mentor, which can be trained
from empirical knowledge and then adaptively help developers improve their
contributions. Extensive experiments demonstrate that OSS Mentor significantly
outperforms excellent experimental results. Moreover, it is the first time that
the presented framework explores deep reinforcement learning techniques to
manage open source software, which enables us to design a more robust framework
to improve developers' contributions.
- Abstract(参考訳): オープンソースプロジェクトのガバナンスでは、開発者の貢献度を測定する方法について多くの懸念があった。
しかしながら、非常に少ない作業は、開発者がコントリビューションを改善することに重点を置いている。
本稿では,オープンソースソフトウェア(oss)メンターと呼ばれる深層強化学習フレームワークを提案する。
大規模な実験により、OSS Mentorは優れた実験結果よりも優れていることが示された。
さらに、提示されたフレームワークが、オープンソースソフトウェアを管理するための深い強化学習テクニックを探求するのは初めてであり、それによって、開発者のコントリビューションを改善するために、より堅牢なフレームワークを設計することができます。
関連論文リスト
- REAR: A Relevance-Aware Retrieval-Augmented Framework for Open-Domain
Question Answering [122.62012375722124]
既存の手法では,大規模言語モデル (LLM) は検索した文書の関連性を正確に評価することはできない。
Relevance-Aware Retrieval-augmented approach for open- domain question answering (QA)を提案する。
論文 参考訳(メタデータ) (2024-02-27T13:22:51Z) - Code Ownership in Open-Source AI Software Security [18.779538756226298]
コードオーナシップのメトリクスを使用して、5つの著名なオープンソースAIソフトウェアプロジェクトにおける潜在的な脆弱性との相関を調査します。
この結果は、ハイレベルなオーナシップ(マイナーなコントリビュータの数が限られている)と脆弱性の減少との間に肯定的な関係があることを示唆している。
これらの新しいコードオーナシップメトリクスによって、プロジェクトキュレーターや品質保証の専門家が現場プロジェクトを評価し、ベンチマークするのを助けるために、Pythonベースのコマンドラインアプリケーションを実装しました。
論文 参考訳(メタデータ) (2023-12-18T00:37:29Z) - A Principled Framework for Knowledge-enhanced Large Language Model [58.1536118111993]
大規模言語モデル(LLM)は汎用性があるが、深い信頼性のある推論を必要とするタスクに悩まされることが多い。
本稿では、知識を効果的に固定し、閉ループ推論プロセスを用いるLLMを作成するための厳密な設計のフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-18T18:10:02Z) - Beyond Factuality: A Comprehensive Evaluation of Large Language Models
as Knowledge Generators [78.63553017938911]
大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。
しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。
本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
論文 参考訳(メタデータ) (2023-10-11T08:22:37Z) - UNTER: A Unified Knowledge Interface for Enhancing Pre-trained Language
Models [100.4659557650775]
構造化知識と非構造化知識の両方を活用する統一的な視点を提供するために、統一知識インターフェイスUNTERを提案する。
どちらの形態の知識も注入され、UNTERは一連の知識駆動NLPタスクの継続的な改善を得る。
論文 参考訳(メタデータ) (2023-05-02T17:33:28Z) - Code Recommendation for Open Source Software Developers [32.181023933552694]
CODERは、オープンソースのソフトウェア開発者のための新しいグラフベースのコードレコメンデーションフレームワークである。
本フレームワークは,プロジェクト内,クロスプロジェクト,コールドスタートレコメンデーションなど,様々な実験環境下での優れた性能を実現する。
論文 参考訳(メタデータ) (2022-10-15T16:40:36Z) - Dev2vec: Representing Domain Expertise of Developers in an Embedding
Space [10.321562340915406]
私たちは、開発者のドメインの専門知識をベクトルの埋め込みとして表現するために、doc2vecを使用します。
これらのベクトルは、開発者の専門知識の証拠を含む異なる情報源に由来する。
組込みベクトルにおける開発者の専門知識の符号化は最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-07-11T18:56:49Z) - Attracting and Retaining OSS Contributors with a Maintainer Dashboard [19.885747206499712]
私たちはメンテナダッシュボードを設計し、オープンソースコントリビュータを惹きつける方法と維持方法に関するレコメンデーションを提供します。
私たちはメンテナとプロジェクト固有の評価を行い、このツールが最も役立つユースケースをよりよく理解します。
オープンソースにおけるレコメンデーションの未来と、これらのレコメンデーションを時間とともに最も意味のあるものにする方法を共有するために、我々の研究成果を掘り下げる。
論文 参考訳(メタデータ) (2022-02-15T21:39:37Z) - Incentive Mechanism Design for Resource Sharing in Collaborative Edge
Learning [106.51930957941433]
5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。
これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
論文 参考訳(メタデータ) (2020-05-31T12:45:06Z) - Representation of Developer Expertise in Open Source Software [12.583969739954526]
We use the World of Code infrastructure to extract the complete set of APIs in the file changed by the open source developer。
次に、API、開発者、プロジェクトのベクター表現にDoc2Vecの埋め込みを使用します。
これらの埋め込みがスキル空間の仮定トポロジを反映しているかどうかを評価する。
論文 参考訳(メタデータ) (2020-05-20T16:36:07Z) - Knowledge Integration of Collaborative Product Design Using Cloud
Computing Infrastructure [65.2157099438235]
本論文の主な焦点は、クラウドコンピューティングインフラを用いた協調製品設計・開発のための知識統合サービスの提供に関する継続的な研究のコンセプトである。
提案された知識統合サービスは,知識リソースへのリアルタイムアクセスを提供することによってユーザを支援する。
論文 参考訳(メタデータ) (2020-01-16T18:44:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。